IBM afferma che le violazioni abilitate dall'AI costano alle aziende in media 6 milioni di dollari

IBM ha portato la sicurezza AI al centro di google news dopo aver rilevato che oltre il 20% delle organizzazioni studiate ha subito violazioni mirate a modelli o applicazioni AI. Il dato principale è inquietante, ma coglie solo metà del conflitto. Gli aggressori stanno anche usando l'AI per rendere le intrusioni convenzionali più rapide, economiche e difficili da contenere per i difensori.

Il rapporto IBM sulle violazioni del 2026 distingue questi due problemi. Uno riguarda gli attacchi ai sistemi AI, incluse API, plug-in, carichi di lavoro cloud, modelli e dati di addestramento. L'altro riguarda gli attacchi abilitati dall'AI, in cui i criminali utilizzano deepfake, malware o flussi di lavoro automatizzati contro un obiettivo più ampio.

Questa distinzione conta perché i numeri più citati descrivono gruppi diversi. Nel suo annuncio ufficiale dei risultati, IBM afferma che una violazione dannosa su quattro era abilitata dall'AI, con un aumento del 56% rispetto all'anno precedente. Separatamente, oltre il 20% delle organizzazioni ha segnalato una violazione mirata a un modello o a un'applicazione AI.

I risultati del Regno Unito aggiungono un'altra misura. Secondo la copertura dello studio, il 22% delle aziende britanniche ha subito una violazione della sicurezza correlata all'AI nell'anno precedente. Trattare tutte e tre le percentuali come intercambiabili esagererebbe ciò che la ricerca dimostra.

La conclusione più profonda è più difficile da ignorare. L'AI aziendale ha creato più identità, interfacce, flussi di dati e azioni automatizzate da governare per i team di sicurezza. Gli aggressori non devono sempre compromettere il modello stesso. Possono sfruttare i sistemi ordinari che lo circondano.

Questo rende la situazione una competizione tra la rapida diffusione dell'AI e il più lento lavoro di definizione dei controlli. La stessa tecnologia rafforza anche la difesa, dando alle organizzazioni un motivo per implementare più AI anziché ritirarsi da essa.

Cosa mostrano realmente i numeri IBM del 2026

L'AI compare ora su entrambi i lati dell'equazione delle violazioni: come bersaglio degli aggressori e come strumento che questi utilizzano.

IBM ha pubblicato il suo Cost of a Data Breach Report 2026 il 29 luglio. Ponemon Institute ha condotto la ricerca sottostante, mentre IBM l'ha sponsorizzata e analizzata. Il set di dati copre le violazioni subite da 602 organizzazioni in tutto il mondo tra marzo 2025 e febbraio 2026.

Il rapporto colloca il costo medio globale di una violazione a 4,99 milioni di dollari. Rappresenta un aumento annuo del 12% e un record per lo studio. IBM attribuisce la crescita a costi più elevati di rilevamento, escalation e perdita di attività.

Le violazioni dannose abilitate dall'AI erano ancora più costose. IBM riporta un costo medio di 6 milioni di dollari, circa 1 milione in più rispetto al dato globale complessivo. Questi incidenti rappresentavano una violazione dannosa su quattro e sono aumentati del 56% rispetto all'anno precedente.

Abilitata dall'AI significa che l'aggressore ha utilizzato l'AI durante l'operazione. L'impersonificazione tramite deepfake è stata la forma segnalata più frequentemente, comparendo nel 45% di questa categoria, secondo la copertura incentrata sul Regno Unito. Anche malware e phishing abilitati dall'AI hanno contribuito all'aumento.

Gli attacchi mirati ai sistemi AI costituiscono una categoria correlata ma distinta. Oltre il 20% delle organizzazioni ha segnalato una violazione diretta a un modello o a un'applicazione AI. I punti di ingresso più comuni non erano attacchi esotici alla matematica dei modelli.

API, applicazioni o plug-in compromessi hanno rappresentato il 27% delle cause segnalate. Anche le configurazioni cloud errate che interessavano i carichi di lavoro AI hanno rappresentato il 27%. La simmetria indica un problema di sicurezza noto: i nuovi servizi AI spesso ereditano vecchie debolezze nella gestione di accessi, integrazioni e infrastrutture.

Un'API, ovvero un'interfaccia di programmazione delle applicazioni, consente ai sistemi software di scambiare richieste e dati. Un plug-in dà a un'applicazione accesso a un altro servizio o capacità. Entrambi possono diventare percorsi di alto valore quando un'applicazione AI riceve autorizzazioni estese o gestisce informazioni aziendali sensibili.

La copertura iniziale ha evidenziato anche i risultati del Regno Unito. Ha riferito che il 22% delle aziende britanniche ha subito una violazione della sicurezza correlata all'AI nell'anno precedente. Il costo medio di una violazione nel Regno Unito è sceso da 3,29 milioni di sterline nel 2025 a 3,13 milioni di sterline nel 2026, anche se il numero di violazioni segnalate è aumentato da 29.000 a 29.870.

Questi dati nazionali complicano la storia globale. Le violazioni sono diventate più frequenti nel campione britannico, ma il loro costo medio è diminuito. I servizi finanziari hanno comunque registrato una media di 5,46 milioni di sterline, mentre le aziende energetiche hanno registrato una media di 4,03 milioni di sterline.

Il punto non è che una violazione su cinque ovunque abbia la stessa causa. La ricerca IBM utilizza diverse misure sovrapposte tra campioni globali e nazionali. La conclusione difendibile è che l'esposizione correlata all'AI non è più un caso marginale nella sicurezza aziendale.

Perché il titolo su Google News richiede una lettura attenta

L'espressione “violazione correlata all'AI” copre diversi eventi distinti, e ciascuno richiede una risposta difensiva differente.

Un lettore che trova la notizia tramite google news potrebbe ragionevolmente supporre che i criminali abbiano violato direttamente un modello AI in una violazione su cinque. I dati IBM non supportano questa interpretazione semplificata.

Un'organizzazione può subire un attacco mirato al proprio sistema AI. Un aggressore può usare l'AI contro un sistema convenzionale. Un dipendente può esporre dati tramite un servizio AI non autorizzato. Questi eventi si sovrappongono, ma non sono identici.

Questo problema di misurazione è più di una precisazione tecnica. Determina quali controlli servono a un'organizzazione e dove i team di sicurezza dovrebbero concentrare la loro attenzione limitata.

Un attacco mirato a un modello può puntare a dati di addestramento, credenziali, prompt o informazioni riservate disponibili attraverso sistemi di recupero. Può anche manipolare gli input di un modello o sfruttare autorizzazioni eccessive concesse a un agente autonomo.

Un attacco abilitato dall'AI utilizza la tecnologia dal lato dell'aggressore. Una chiamata vocale deepfake può impersonare un dirigente. Gli strumenti generativi possono aiutare a produrre messaggi di phishing convincenti, tradurre esche o adattare più rapidamente il malware.

La shadow AI crea una terza strada. Il termine descrive strumenti AI utilizzati senza approvazione formale, visibilità o governance. I dipendenti potrebbero incollare record dei clienti in un chatbot per consumatori, installare un'estensione del browser non verificata o collegare un assistente per riunioni a documenti interni.

La ricerca IBM del 2025 sul divario nella supervisione dell'AI fornisce un utile contesto storico. Ha rilevato che il 13% delle organizzazioni studiate aveva subito una violazione che coinvolgeva un modello o un'applicazione AI. Un ulteriore 8% non sapeva se tale compromissione si fosse verificata.

Tra le organizzazioni che hanno segnalato una compromissione correlata all'AI, il 97% non disponeva di controlli di accesso AI adeguati. Il sessanta per cento di questi incidenti ha compromesso dati, mentre il 31% ha causato interruzioni operative.

La stessa ricerca ha rilevato che una organizzazione su cinque ha segnalato una violazione connessa alla shadow AI. Le organizzazioni con alti livelli di shadow AI hanno registrato in media costi di violazione superiori di 670.000 dollari rispetto a quelle che ne facevano un uso limitato o nullo.

La governance era già in ritardo. Il sessantatré per cento delle organizzazioni colpite da violazioni non aveva alcuna policy di governance dell'AI o ne stava ancora sviluppando una. Tra quelle dotate di una policy, solo il 34% effettuava regolarmente audit per l'uso non autorizzato dell'AI.

Questi risultati precedenti rendono più plausibile l'aumento del 2026. Le aziende hanno trascorso un altro anno collegando modelli a dati, applicazioni e processi aziendali. Molte partivano da una base di controlli debole.

Tuttavia, il confronto anno su anno richiede comunque cautela. IBM ha introdotto recentemente misurazioni più approfondite dell'AI e il cambiamento delle definizioni può influenzare la prevalenza segnalata. Un rilevamento migliore può anche far sembrare che il problema cresca perché le organizzazioni finalmente riconoscono incidenti che in precedenza non venivano classificati.

Il campione IBM merita lo stesso scrutinio applicato a qualsiasi studio sui costi delle violazioni. Copre organizzazioni che hanno subito violazioni, non un censimento casuale di ogni azienda. Le sue medie non dovrebbero essere lette come una previsione di quanto perderà una specifica impresa.

La ricerca è comunque preziosa perché espone schemi ricorrenti. Gli incidenti AI si concentrano attorno a controlli di accesso deboli, integrazioni non sicure, errori di configurazione cloud e scarsa visibilità. Sono conclusioni operative anche quando la percentuale del titolo richiede contesto.

L'AI rende gli attacchi più economici mentre la difesa resta costosa

Il compromesso centrale è economico: gli aggressori possono automatizzare una parte maggiore del loro lavoro, mentre i difensori continuano a pagare per indagine, contenimento, ripristino e perdita di attività.

IBM descrive l'AI come una tecnologia che modifica l'economia del rischio informatico. Può ridurre il lavoro necessario per costruire un'esca, impersonare una persona fidata o testare varianti di un attacco. La vittima continua invece a sostenere il costo organizzativo completo della risposta.

Mark Hughes, managing partner globale di IBM Cybersecurity Services, ha affermato che i modelli avanzati di frontiera consentono agli aggressori di eseguire operazioni “in minuti anziché giorni”. L'affermazione riflette l'interpretazione IBM della minaccia, ma la direzione di fondo è credibile anche se il tasso esatto di accelerazione varia in base all'attacco.

I deepfake illustrano lo squilibrio. Un criminale non deve riprodurre perfettamente un dirigente in ogni contesto. La voce o il video sintetici devono solo creare abbastanza urgenza e familiarità da spingere un dipendente oltre un controllo.

I filtri di phishing tradizionali valutano anche messaggi, link e infrastrutture dannose note. Una richiesta accuratamente personalizzata consegnata tramite voce, video o un account di collaborazione consolidato può aggirare questi segnali familiari.

Gli agenti AI aumentano la posta in gioco sul lato aziendale. Un agente è un software in grado di pianificare ed eseguire azioni tra sistemi con un intervento umano limitato. Potrebbe cercare documenti, aggiornare record dei clienti, eseguire codice o avviare un flusso di lavoro.

Ogni azione richiede un'identità e autorizzazioni. Se un agente riceve un accesso esteso, un token rubato o un'istruzione manipolata può produrre effetti che vanno oltre la risposta di un singolo chatbot. Il confine di sicurezza si sposta dall'interfaccia del modello a ogni sistema che l'agente può raggiungere.

Il rapporto IBM afferma che oltre metà delle organizzazioni utilizzava agenti per il rilevamento e il contenimento delle minacce. Solo il 18% li applicava alla gestione delle vulnerabilità. Questo divario lascia irrisolte debolezze note mentre gli aggressori ottengono modi più rapidi per individuarle o sfruttarle.

Le infrastrutture critiche sopportano una quota sproporzionata del rischio. IBM afferma che il 62% degli attacchi guidati dall'AI nello studio ha preso di mira settori delle infrastrutture critiche. I servizi finanziari e l'energia hanno registrato le maggiori concentrazioni.

Il costo medio globale delle violazioni nei servizi finanziari è stato di 6,3 milioni di dollari. Le violazioni nel settore energetico hanno registrato una media di 5,2 milioni di dollari. Un incidente in uno dei due settori può estendersi oltre la vittima attraverso reti di pagamento, fornitori, clienti o servizi essenziali.

Il ransomware aggiunge un'altra pressione economica. IBM riferisce che gli incidenti ransomware sono saliti dal 34% al 39% delle violazioni studiate. Gli aggressori hanno usato sempre più spesso la reputazione come leva, citata nel 41% dei casi di ransomware, seguita dai dati dei dipendenti al 35% e dalla proprietà intellettuale al 31%.

Questa strategia cambia il calcolo del ripristino. Ripristinare i sistemi non cancella le informazioni divulgate né il danno reputazionale. Un'azienda può contenere l'intrusione tecnica pur continuando ad affrontare notifiche, indagini, contenziosi e perdite di clienti.

L'AI può contribuire a operare su larga scala, ma non elimina il bisogno dell'attaccante di ottenere accesso. Credenziali, servizi esposti, software non aggiornato e manipolazione sociale restano elementi centrali. I nuovi strumenti amplificano queste vie invece di sostituirle.

Per questo il conflitto principale non è tra esseri umani e macchine. È tra automazione rapida e controllo frammentato. Gli attaccanti possono concentrare i propri sforzi su un unico varco, mentre i difensori devono comprendere ogni identità, integrazione, archivio dati e azione degli agenti.

Gli stessi strumenti di AI possono ridurre i costi delle violazioni

L'avvertimento di IBM non è un argomento contro l'AI difensiva, poiché il rapporto associa inoltre un uso esteso dell'automazione della sicurezza a risparmi significativi.

Le organizzazioni che utilizzano ampiamente AI e automazione nelle operazioni di sicurezza hanno registrato un risparmio medio sui costi di 1,93 milioni di dollari rispetto a quelle che non ne usano affatto. Lo studio di IBM del 2025 ha riportato una differenza simile, pari a 1,9 milioni di dollari, e una riduzione di 80 giorni nel ciclo di vita della violazione.

Il ciclo di vita di una violazione misura il tempo necessario per identificare e contenere un incidente, includendo il ripristino dei servizi nella metodologia di IBM. Cicli più brevi possono ridurre le spese di indagine, le interruzioni dell'attività e il tempo a disposizione degli attaccanti per spostarsi all'interno di una rete.

Il dato crea un compromesso reale. Le aziende hanno bisogno di rilevamento abilitato dall'AI per rispondere alla velocità delle macchine, ma ogni agente difensivo diventa anche un'altra identità da controllare. Un'implementazione senza inventario, limiti di autorizzazione e tracciati di audit può creare l'esposizione che dovrebbe ridurre.

L'automazione funziona al meglio per compiti con prove chiare e autorità delimitata. Un sistema di sicurezza può correlare un accesso insolito con una richiesta di token sospetta, isolare un endpoint o assegnare priorità a una vulnerabilità nota. Queste azioni diventano più rischiose quando un agente può modificare sistemi di produzione senza revisione.

IBM raccomanda controlli di accesso dinamici e basati sull'identità per gli agenti. In termini pratici, un agente dovrebbe ricevere solo le autorizzazioni necessarie per il compito corrente. Le sue azioni dovrebbero restare attribuibili a una persona o a un servizio responsabile, e i team di sicurezza dovrebbero poter ricostruire quanto accaduto.

I controlli sui dati sono altrettanto importanti. Le organizzazioni devono sapere dove risiedono i record sensibili, quali modelli possono recuperarli e dove viaggiano gli output generati. La classificazione e il monitoraggio in tempo reale aiutano a collegare un'interazione con l'AI al rischio per i dati che essa crea.

La configurazione cloud resta una priorità perché i carichi di lavoro AI raramente operano da soli. Dipendono da object storage, database, servizi di identità, endpoint dei modelli e API di terze parti. Un modello perfettamente protetto non può compensare un bucket di dati pubblico o una credenziale amministrativa esposta.

La crittografia è un'altra debolezza irrisolta. Solo il 37% delle organizzazioni violate nel campione IBM ha dichiarato di crittografare i dati sensibili sia a riposo sia in transito. Appena il 34% disponeva di visibilità sulle proprie risorse crittografiche.

Questi dati sono esterni al titolo sull'AI, ma mostrano perché i controlli ordinari contano ancora. L'AI può accelerare un'intrusione, ma le conseguenze dipendono dal fatto che i dati siano stati protetti, gli accessi segmentati e i comportamenti anomali rilevati.

I team di sicurezza hanno inoltre bisogno di un inventario accurato dei sistemi AI. Tale inventario dovrebbe includere modelli autorizzati, funzionalità AI integrate, agenti, account di servizio, plug-in, connessioni dati e servizi consumer accessibili ai dipendenti.

Un documento di policy da solo non può fornire questa visibilità. Il precedente dato di IBM, secondo cui solo il 34% delle organizzazioni con policy di governance dell'AI svolgeva audit regolari sullo shadow AI, illustra il divario tra governance dichiarata e applicazione operativa.

La risposta più credibile combina quindi governance e ingegneria. La policy definisce utilizzi e responsabilità accettabili. I controlli tecnici individuano i sistemi, limitano le autorizzazioni, monitorano i comportamenti e preservano le prove.

Le esercitazioni di risposta agli incidenti dovrebbero includere scenari specifici per l'AI. Un'azienda dovrebbe sapere come revocare le credenziali di un agente, disabilitare un'integrazione compromessa, preservare prompt e log e determinare a quali dati il sistema ha avuto accesso.

Questa preparazione non dovrebbe diventare un divieto indiscriminato dell'AI. I divieti possono spingere i dipendenti verso strumenti meno visibili. Alternative approvate, regole chiare sui dati e processi di revisione utilizzabili offrono ai dipendenti una via più sicura preservando al contempo la visibilità sulla sicurezza.

Cosa non dimostra l'avvertimento di IBM

Il rapporto evidenzia un serio modello di esposizione, ma non dimostra che l'AI abbia causato ogni incidente classificato come correlato all'AI.

Le statistiche sulla sicurezza spesso combinano causa, obiettivo e tecnologia abilitante. Un plug-in compromesso che circonda un'applicazione AI potrebbe implicare un normale furto di credenziali. Una configurazione cloud errata potrebbe aver esposto gli stessi dati anche se il carico di lavoro fosse stato destinato ad analisi convenzionali.

Definire questi eventi come correlati all'AI è ragionevole perché il sistema interessato elabora carichi di lavoro AI. Non significa che il modello abbia introdotto il difetto originario.

La stessa cautela si applica agli attacchi abilitati dall'AI. Un attaccante può usare un modello linguistico per redigere un'email di phishing, ma il fallimento decisivo può comunque essere un'autenticazione debole o un dipendente che approva una richiesta fraudolenta.

L'attribuzione presenta un altro problema. Le vittime possono identificare l'uso di un deepfake perché ricevono audio o video sintetici. Dimostrare che il malware sia stato sviluppato, modificato o diretto dall'AI può essere più difficile.

Le organizzazioni differiscono anche nella loro capacità di rilevare il coinvolgimento dell'AI. Un team di sicurezza maturo potrebbe identificare un token di agente compromesso e classificare accuratamente l'incidente. Un'azienda meno preparata potrebbe registrare lo stesso comportamento come accesso non autorizzato generico.

Questo crea un paradosso di rendicontazione. Un monitoraggio più efficace può aumentare il numero misurato di incidenti correlati all'AI anche riducendone la gravità. Una prevalenza in crescita non significa automaticamente che ogni misura difensiva stia fallendo.

Anche la posizione commerciale di IBM richiede trasparenza. L'azienda vende software di sicurezza, consulenza, servizi di identità, protezione dei dati e governance dell'AI. Il suo rapporto può contenere ricerche utili sostenendo al contempo la domanda per tali prodotti.

La metodologia aiuta i lettori a valutare le affermazioni. Ponemon Institute ha studiato 602 organizzazioni violate in tutto il mondo, e IBM ha sponsorizzato e analizzato il lavoro. Il sondaggio di follow-up del maggio 2026 ha incluso 456 di tali organizzazioni.

In quel follow-up, l'85% ha dichiarato che la consapevolezza delle capacità dell'AI frontier avanzata lo indurrebbe ad aumentare la spesa per la sicurezza. Per confronto, il 64% nella ricerca iniziale prevedeva di spendere di più dopo aver subito una violazione.

Il confronto suggerisce che i rapporti sull'AI frontier influenzano i budget prima che si verifichino incidenti. Non dimostra che ogni investimento pianificato ridurrà il rischio né che la difesa autonoma sia sempre il miglior utilizzo dei fondi.

Le organizzazioni devono comunque decidere dove i controlli producono benefici misurabili. Più strumenti di sicurezza possono creare avvisi duplicati, dashboard in competizione e responsabilità poco chiare. Un agente che identifica una debolezza offre valore limitato se nessun team si occupa della correzione.

L'interpretazione più utile evita entrambi gli estremi. L'AI non è né una nuova e magica categoria di attacco che rende inutili le misure di sicurezza esistenti, né un'etichetta di marketing applicata a violazioni familiari.

È un acceleratore collegato a una superficie di attacco aziendale in crescita. Aumenta la velocità e la scala di alcuni attacchi, creando al contempo nuove identità, interfacce e archivi di contesto sensibile.

Questa conclusione resta significativa senza trattare ogni dato IBM come universale. Dirige l'attenzione verso il controllo degli accessi, la sicurezza delle integrazioni, la configurazione cloud, la visibilità sui dati e la velocità di risposta.

Tre segnali da osservare dopo il ciclo di Google News

Il prossimo banco di prova è capire se le organizzazioni trasformeranno la preoccupazione in correzioni più rapide, autorizzazioni degli agenti più restrittive e minori costi degli incidenti.

Il primo segnale è l'adozione dell'AI per la gestione delle vulnerabilità. IBM ha rilevato che più della metà delle organizzazioni utilizzava agenti per il rilevamento e il contenimento, mentre solo il 18% li usava per gestire le vulnerabilità.

Il rilevamento individua attività sospette dopo o durante un'intrusione. La gestione delle vulnerabilità affronta le debolezze prima che gli attaccanti le sfruttino. Se il dato del 18% aumenterà, le organizzazioni applicheranno l'automazione più a monte nella catena di sicurezza.

Ciò rafforzerebbe l'argomento di IBM secondo cui la difesa deve operare più vicino alla velocità degli attaccanti. Se l'adozione resterà concentrata sugli avvisi, il divario nella correzione rimarrà, indipendentemente dal numero di strumenti AI acquistati dai team di sicurezza.

La misura importante non è il numero di agenti implementati. È il tempo che intercorre tra la scoperta di una debolezza e la sua correzione. Le organizzazioni dovrebbero monitorare se l'automazione riduce questo intervallo senza creare modifiche non autorizzate o instabilità operativa.

Il secondo segnale è la qualità dei controlli sull'identità degli agenti. Le aziende stanno collegando agenti ad ambienti di sviluppo, sistemi dei clienti, repository di documenti e strumenti operativi. Queste connessioni richiedono autorizzazioni strettamente circoscritte, credenziali a breve durata e attribuzione affidabile.

Un miglioramento significativo emergerebbe negli inventari e nelle revisioni degli accessi. I team di sicurezza dovrebbero sapere quali agenti esistono, chi ne è responsabile, quali dati possono raggiungere e quali azioni possono compiere.

Le prove che le organizzazioni stanno applicando controlli in fase di esecuzione sosterrebbero la risposta proposta da IBM. La continua dipendenza da account di servizio statici con autorizzazioni estese la indebolirebbe.

Le analisi degli incidenti offriranno un altro indizio. Quando un agente contribuisce a un evento di sicurezza, le aziende dovrebbero poter ricostruire le sue istruzioni, chiamate agli strumenti, transizioni di identità e accessi ai dati. Registri mancanti dimostrerebbero che l'adozione supera ancora la governance.

Il terzo segnale riguarda l'economia delle violazioni del prossimo anno. Il confronto più chiaro sarà verificare se gli incidenti abilitati dall'AI continueranno a costare più della media globale e se l'automazione difensiva manterrà i risparmi dichiarati.

I dati IBM del 2026 stabiliscono una base di riferimento impegnativa: 4,99 milioni di dollari per la violazione globale media, 6 milioni di dollari per una violazione dolosa abilitata dall'AI e 1,93 milioni di dollari di risparmi associati a un'ampia automazione della sicurezza.

Un divario di costo in diminuzione suggerirebbe che i controlli stanno recuperando terreno. Un divario crescente indicherebbe che l'efficienza degli attaccanti e la complessità aziendale continuano a superare i progressi difensivi.

I lettori dovrebbero anche osservare se i rapporti futuri manterranno le stesse categorie. Definizioni stabili per attacchi abilitati dall'AI, attacchi contro sistemi AI e shadow AI renderanno più credibili i confronti anno su anno.

L'attuale titolo di google news svanirà, ma le domande operative resteranno. Un'azienda può identificare ogni agente AI che opera nel proprio ambiente? Può revocare rapidamente l'accesso? Può determinare quali informazioni ha raggiunto un sistema compromesso?

Queste domande riguardano sviluppatori, responsabili della sicurezza, acquirenti aziendali e knowledge worker. Gli sviluppatori determinano quali autorizzazioni e log espone un'applicazione AI. Gli acquirenti decidono se i fornitori offrono prove di sicurezza utilizzabili. I dipendenti influenzano dove viaggiano le informazioni sensibili.

I team dovrebbero conservare queste decisioni, gli inventari dei sistemi, i registri degli incidenti e le ipotesi di accesso in una base di conoscenza ricercabile. La documentazione non può sostituire l'applicazione tecnica delle misure, ma il contesto mancante rende più lente le indagini e l'attribuzione delle responsabilità.

L'avvertimento più importante di IBM non è il dato di uno su cinque in sé. È il divario crescente tra la rapidità con cui le organizzazioni collegano l'AI al lavoro reale e la lentezza con cui stabiliscono visibilità su tali connessioni.

La risposta pratica comincia con un'azione: mappare ogni modello, agente, plug-in, identità e fonte dati già in uso. Poi chiedersi quale connessione crei il più ampio percorso non monitorato verso sistemi sensibili.

Cosa scoprirebbe la vostra organizzazione se eseguisse questo inventario prima che la prossima violazione imponesse la domanda?